用于改善媒介传播疾病预测的深层景观特征
通过利用高分辨率卫星图像作为非传统且易获取的数据源，结合 Vision Transformer、Radiomics 和长短时记忆等创新方法进行提取和整合，本研究旨在提高资源有限的国家的卫生公平性，实现对登革热的周流行趋势的预测，并发现卫星图像在缺乏手动收集数据且登革病毒流行严重的国家对登革热预测方面的有效性。
Jan, 2024
通过构建一个受重力模型推动的区域移动性图和使用传递感知的图卷积网络模型，我们提出了一种从街景图像中评估疫情暴露风险的低成本、可扩展的方法，实验证明该模型在加权 F1 评价指标上比基准模型提升了 8.54%。
Nov, 2023
提出一种利用深度神经网络（DNNs）和图神经网络（GNN）预测西尼罗河病毒（WNV）流行的方法，实验结果表明该方法与地面真实观测相结合能更好地预测 WNV 的流行，并且考虑到了时间和地理位置特征。
Sep, 2022
通过使用传统的状态空间模型、监督学习技术和深度网络，结合气象数据和搜索引擎趋势作为特征，本研究对新加坡每周登革热病例进行了预测，发现使用卷积神经网络能够以最低的 RMSE 预测 2019 年的每周病例。
Jun, 2024
本文研究了气候数据和蚊媒婴幼虫指数对登革热爆发的影响。通过对各种 LSTM 模型进行比较研究，选择双向堆叠 LSTM 网络分析了印度泰米尔纳德邦 2014 年至 2020 年期间收集的时序气候数据和健康数据。将蚊子幼虫指数纳入模型可以显著提高模型的预测准确性，其是指示蚊媒病控制措施的重要指标。
Jun, 2023
我们的研究基于深度学习模型和多光谱地球观测图像，开发了一个可操作的模型来预测蝗虫繁殖地，该模型具有增强早期预警系统和有针对性的控制措施的潜力。
Mar, 2024
使用新开发的深度神经网络模型，通过局部和全球气候特征，发展了一种长期预测登革热病例的方法，其中基于傅里叶混合窗口注意力的 Transformer 模型在 60 周的长期登革热预测中表现最佳。
Mar, 2024